CN106355273A - 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 - Google Patents

一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 Download PDF

Info

Publication number
CN106355273A
CN106355273A CN201610728331.6A CN201610728331A CN106355273A CN 106355273 A CN106355273 A CN 106355273A CN 201610728331 A CN201610728331 A CN 201610728331A CN 106355273 A CN106355273 A CN 106355273A
Authority
CN
China
Prior art keywords
irradiation
data
module
nuclear material
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610728331.6A
Other languages
English (en)
Inventor
邹俊
吴宜灿
胡丽琴
尚雷明
王芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN201610728331.6A priority Critical patent/CN106355273A/zh
Publication of CN106355273A publication Critical patent/CN106355273A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法。主要包括三个模块：数据预处理模块，训练及测试模块，性能预测模块。本系统的流程包括三步：第一步将实验数据输入到预处理模块，将辐照温度、辐照剂量映射到[‑1,1]范围内；第二步将预处理后数据输入到训练及测试模块，随机分成训练集和测试集，用训练集构建模型，测试集验证预测精度，精度够高则保存模型；第三步对用户提交的新辐照温度、辐照剂量下的拉伸性能进行预测。

Description

一种基于极限学习机的核材料辐照后拉伸性能预测系统及预 测方法
技术领域
本发明涉及一种可用于对核材料辐照后拉伸性能进行预测的系统及预测方法，它依据用户新输入的实验条件预测出拉伸性能值，属于核材料性能优化领域。
背景技术
核材料问题是实现聚变电站商业运行的关键问题之一。聚变材料工作在高辐照、高温等特殊工况下，现有技术是通过炒菜法进行材料性能的优化，即调整材料成分百分比，实验测试辐照后材料性能变化。或调整实验条件后测试辐照后材料性能的变化。由于材料的制备及辐照实验的实施都有很高的时间开销和经济开销，阻碍核材料性能优化的发展。近年来有人开始用神经网络方法进行核材料性能的预测，该方法的预测精度较高，但很大程度上依赖于人为对神经网络的掌握程度，需要设置的参数多，参数的设置对预测结果具有很大影响，同时当数据量不断增加时，神经网络的训练速度会迅速下降。也有人用支持向量机方法对核材料性能进行预测，该方法进行性能预测时，速度比神经网络要快一些，但其预测精度会有所下降。
因此，必须发展适用于核材料辐照后性能预测的新的系统，并且必须满足以下要求：
核材料辐照后拉伸性能预测速度更快；辐照后拉伸性能预测精度更高。
发明内容
为了解决当前核材料辐照后性能优化所存在的技术问题，本发明提供一种可快速高精度预测核材料辐照后拉伸性能值的系统。
本发明解决相关问题所采用的方案如下：
数据预处理模块：输入项X需要进行预处理，对每列数据根据公式1)进行预处理，
2 ( X - M i n 2 2 * M a x - M i n 2 ) - 1 - - - ( 1 )
将数据映射到[-1，1]的范围，式1)中的Max和Min分别是每个辐照条件的最大值和最小值，预测目标性能不需要进行预处理。
训练及测试模块：本模块将接收预处理后的数据集，随机将预处理后的数据集划分成80％和20％，分别作为训练集和测试集。本模块基于极限学习机方法用训练集构建预测模型，若用测试集进行预测，预测精度低于95％，则重新构建模型并重新预测。若重复预测20次均无法获得满足精度要求的预测模型，系统将重新将训练集与测试集合并，并重新划分训练集与测试集，重复构建预测模型并测试。若数据集反复随机划分20次仍无法获得准确的预测模型，则退出系统，并提示输入数据有误。若预测精度高于95％，则将预测模型保存，并发送到预测模块。其中预测精度由公式2)进行计算。
1 - | V p - V e | V e * 100 % - - - ( 2 )
式(2)中Vp表示本模块所构建的预测模型对输入条件下的预测值，Ve表示输入条件下的实验值。
预测模块：将训练及测试模块所构建的预测模型用于新条件下的性能预测，得到新条件下的性能值。
本发明系统主要包含三大步：
第一步是将实验获得的数据集输入到数据预处理模块，由数据预处理模块根据式1)对数据集的输入数据进行预处理。预处理后的数据用于训练及预测模块进行预测模型的构建。
第二步是将数据预处理模块输出的数据集输入到训练及测试模块，训练及测试模块将随机将所收到的数据集分为80％和20％，分别叫做训练集和测试集，用于训练预测模型及检验预测模型的预测精度。并将获得的符合要求的预测模型输出给预测模块。
预测精度值高于95％被认为预测结果足够好并可用于预测。
预测精度根据公式2)进行计算。
第三步是将训练及预测模块所输出的预测模型输入到预测模块，根据经用户新输入的条件进行预测，获得预测结果。其中用户新输入的数据也要经过预处理模块进行预处理。所获得结果可以很好的为核材料研究的实验提供参考，节省实验开销，缩短实验周期。
本发明与现有技术相比的优点在于：
(1)在核材料辐照数据量非常少、实验数据很难获得的情况下，充分利用已有实验数据，构建符合核材料性能随辐照条件变化规律的预测模型，通过智能方式提高核材料辐照实验的研究效率。
(2)本发明是一种基于极限学习机的核材料辐照后拉伸性能预测系统，首次将极限学习机算法应用于核材料辐照后拉伸性能的预测，已构建的模型可以实时对新辐照条件下的拉伸性能进行预测，从而大大降低核材料辐照后拉伸性能实验的开销和实验周期。
(3)本发明是一种基于极限学习机的核材料辐照后拉伸性能预测系统，传统计算机模拟方法需要模拟人员具有丰富的核材料研究经验，否则将导致实验结果偏差很大。本系统采用的极限学习机方法参数随机生成，降低了人为干预的影响，提高核材料辐照后拉伸性能预测的客观性。
附图说明
图1为本发明涉及的一种基于极限学习机的核材料辐照后拉伸性能预测系统工作流程图。
具体实施方式
下面将结合附图和附表实例对本发明进一步说明。多次实验证明，训练集样本数超过12条时，预测精度较高，本系统的两个实例的训练集样本书均在20条以上。
下面的附表说明：
表1为辐照实验数据；
表2为预处理后数据集；
表3为所获得的训练集；
表4为所获得的测试集；
表5为新实验条件数据集；
表6为新实验条件下的预测结果。
表7为辐照实验数据；
表8为预处理后数据集；
表9为所获得的训练集；
表10为所获得的测试集；
表11为新实验条件数据集；
表12为新实验条件下的预测结果。
实例一：核材料辐照后屈服强度预测
系统总图如图1所示。用户使用本系统，输入屈服强度实验中所积累的数据到本系统的数据预处理模块，实例中输入的实验数据如表1所示。数据预处理模块将自动获取辐照剂量和辐照温度两个条件列的最大值和最小值，依据公式1)对辐照剂量和辐照温度进行预处理，其中屈服强度不需要预处理。预处理之后得到数据如表2。
数据预处理模块完成预处理操作后，将数据如表2传送到训练及测试模块。训练及测试模块随机将收到的数据集表2划分成80％和20％，分别作为训练集如表3和测试集如表4。数据预处理模块用训练集构建预测模型，若用测试集进行预测，预测精度低于95％，则重新构建模型并重新预测。若重复预测20次均无法获得满足精度要求的预测模型，系统将重新将训练集与测试集合并，并重新划分训练集与测试集，重复构建预测模型并测试。若数据集反复随机划分20次仍无法获得准确的预测模型，则退出系统，并提示输入数据有误。若预测精度高于95％，则将预测模型保存，并发送到预测模块。
预测模块接收到预测模型后，用户输入新的屈服强度实验条件数据如表5，新的实验条件需要经过预处理模块进行预处理，然后由预测模型给出预测结果如表6。
实例二：核材料辐照后抗拉强度预测
系统总图如图1所示。用户使用本系统，输入抗拉强度实验中所积累的数据到本系统的数据预处理模块，实例中输入的实验数据如表7所示。数据预处理模块将自动获取辐照剂量和辐照温度两个条件列的最大值和最小值，依据公式1)对辐照剂量和辐照温度进行预处理，其中抗拉强度不需要预处理。预处理之后得到数据如表8。
数据预处理模块完成预处理操作后，将数据如表8传送到训练及测试模块。训练及测试模块随机将收到的数据集表8划分成80％和20％，分别作为训练集如表9和测试集如表10。数据预处理模块用训练集构建预测模型，若用测试集进行预测，预测精度低于95％，则重新构建模型并重新预测。若重复预测20次均无法获得满足精度要求的预测模型，系统将重新将训练集与测试集合并，并重新划分训练集与测试集，重复构建预测模型并测试。若数据集反复随机划分20次仍无法获得准确的预测模型，则退出系统，并提示输入数据有误。若预测精度高于95％，则将预测模型保存，并发送到预测模块。
预测模块接收到预测模型后，用户输入新的抗拉强度实验条件数据如表11，新的实验条件需要经过预处理模块进行预处理，然后由预测模型给出预测结果如表12。
以下为辐照实验数据，主要表征不同辐照剂量、不同辐照温度下的材料屈服强度，如表1所示。
表1辐照后屈服强度实验数据
通过表1中的数据进行归一的预处理，获得预处理后的数据集，见表2所示。
表2预处理后数据集
从表2中选取80％的数据，作为性能预测的训练集，如表3所示。
表3训练集
编号 屈服强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 611.8 -0.648205128 -0.836734694
2. 631.49 -0.648717949 -0.836734694
3. 705.77 -0.814358974 -0.836734694
4. 734.41 -0.471794872 -0.836734694
5. 745.35 -0.471794872 -0.836734694
6. 826.43 -0.241025641 -0.795918367
7. 839.52 -0.297435897 -0.795918367
8. 644.52 -0.807179487 0.183673469
9. 662.09 -0.693333333 0.183673469
10. 747.45 -0.618974359 0.183673469
11. 773.72 -0.587692308 0.183673469
12. 811.09 -0.276923077 0.183673469
13. 870.08 -0.394871795 0.183673469
14. 850.48 -0.261538462 0.183673469
15. 894.2 -0.297435897 0.183673469
16. 889.87 -0.230769231 0.183673469
17. 907.38 -0.215384615 0.183673469
18. 1043.35 0.348717949 0.183673469
19. 1060.93 0.476923077 0.183673469
20. 1078.43 0.482051282 0.183673469
从表2中选取20％的数据，作为性能预测的测试集，如表4所示。
表4测试集
新辐照实验条件下的屈服强度数据集如表5所示。
表5新实验条件数据集
编号 屈服强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 1 1.3 100
2. 1 1.6 100
3. 1 1.8 200
4. 1 1.9 200
新的实验辐照温度、辐照剂量下的屈服强度结果如表6所示。
表6新实验条件下预测结果
编号 屈服强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 787.07 1.3 100
2. 840 1.6 100
3. 893.28 1.8 200
4. 909.12 1.9 200
辐照后，在不同辐照剂量以及辐照温度下的拉伸强度实验数据如表7所示。
表7辐照后抗拉强度实验数据
对于抗拉强度实验数据进行预处理后的结果见表8所示。
表8预处理后数据集
对于抗拉强度实验数据选取80％作为训练集，见表9所示。
表9训练集
编号 抗拉强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 711.733 -0.88212 -0.76471
2. 762.504 -0.98566 -0.76471
3. 760.79 -0.88212 -0.76471
4. 770.41 -0.77061 -0.76471
5. 821.36 -0.76663 -0.76471
6. 831.034 -0.62326 -0.70588
7. 847.962 -0.65512 -0.70588
8. 853.635 -0.64715 -0.70588
9. 705.329 -0.98142 0.705882
10. 697.806 -0.91759 0.705882
11. 748.589 -0.86173 0.705882
12. 773.041 -0.84179 0.705882
13. 814.42 -0.65029 0.705882
14. 840.752 -0.68221 0.705882
15. 870.846 -0.7221 0.705882
16. 863.323 -0.63832 0.705882
17. 900.94 -0.65827 0.705882
18. 893.417 -0.61438 0.705882
19. 908.464 -0.61438 0.705882
20. 908.464 -0.60641 0.705882
21. 1047.65 -0.25134 0.705882
22. 1066.46 -0.17155 0.705882
23. 1081.5 -0.16756 0.705882
24. 1163.88 0.969732 0.852941
对于抗拉强度实验数据选取20％作为训练集，见表10所示。
表10测试集
编号 抗拉强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 745.696 -0.8821187 -0.764705882
2. 846.095 -0.643171 -0.705882353
3. 718.495 -0.9375355 0.705882353
4. 897.179 -0.6622581 0.705882353
用户输入新的不同辐照条件下的抗拉强度实验条件数据如表12所示。
表11新实验条件数据集
编号 抗拉强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 1 1.3 80
2. 1 1.5 100
3. 1 1.6 200
4. 1 1.8 200
在新的辐照条件下获得的抗拉强度预测结果，见表12所示。
表12新实验条件下预测结果
编号 抗拉强度(Mpa) 辐照剂量(dpa) 辐照温度(℃)
1. 768.07 1.3 80
2. 750.32 1.5 100
3. 823.46 1.6 200
4. 789.12 1.8 200

Claims (6)

1.一种基于极限学习机的核材料辐照后拉伸性能预测系统，其特征在于：包括数据预处理模块、训练及测试模块和性能预测模块，其中：
数据预处理模块：对辐照条件进行预处理，映射到标准范围，得到预处理后的数据集；
训练及测试模块：将接收预处理后的数据集，随机将预处理后的数据集划分成训练集和测试集，基于极限学习机方法用训练集构建预测模型，用测试集进行核材料辐照后拉伸性能预测精度的测试，预测精度足够高则将预测模型保存；
性能预测模块：采用所述的预测模型预测新辐照温度、辐照剂量下的拉伸性能，用于分析核材料辐照后拉伸性能随辐照温度、辐照剂量的变化规律，实现预测新的辐照条件下的拉伸性能值。
2.根据权利要求1所述的一种基于极限学习机的核材料辐照后拉伸性能预测系统，其特征在于：所述数据预处理模块中的预处理公式采用：其中Max和Min为辐照条件的最大值和最小值，X为辐照条件值。
3.根据权利要求1所述的一种基于极限学习机的核材料辐照后拉伸性能预测系统，其特征在于：所述训练及测试模块中，基于极限学习机方法用训练集构建预测模型如下：
(1)根据预处理的数据集Xi到隐层权值Wj和隐层的偏置值bj，将计算出输出矩阵H：
(2)进而计算出输出权值β＝H+Y，其中Y为核材料的辐照性能；
(3)采用如下模型对核材料性能进行预测：
4.根据权利要求1所述的一种基于极限学习机的核材料辐照后拉伸性能预测系统，其特征在于：所述训练及测试模块中，用测试集进行核材料辐照后拉伸性能预测精度由公式(2)进行计算，
1 - | V p - V e | V e * 100 % - - - ( 2 )
式(2)中Vp表示本模块所构建的预测模型对输入条件下的预测值，Ve表示输入条件下的实验值。
5.根据权利要求1所述的一种基于极限学习机的核材料辐照后拉伸性能预测系统，其特征在于：所述训练及测试模块中，预测精度值高于95％被认为预测精度足够高并可用于预测。
6.一种基于极限学习机的核材料辐照后拉伸性能预测方法，其特征在于步骤如下：
第一步，将实验数据输入到数据预处理模块，数据预处理模块中的预处理公式采用其中Max和Min为辐照条件的最大值和最小值，X为辐照条件值；完成预处理操作；
第二步，将预处理后数据输入到训练及测试模块，随机将数据集分成训练集和测试集，并根据训练集构建模型，精度足够高则保存模型；
第三步，将上一步构建的模型传递给性能预测模块，对用户提交的新条件数据预测性能值。
CN201610728331.6A 2016-08-25 2016-08-25 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 Pending CN106355273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610728331.6A CN106355273A (zh) 2016-08-25 2016-08-25 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610728331.6A CN106355273A (zh) 2016-08-25 2016-08-25 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法

Publications (1)

Publication Number Publication Date
CN106355273A true CN106355273A (zh) 2017-01-25

Family

ID=57854168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610728331.6A Pending CN106355273A (zh) 2016-08-25 2016-08-25 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法

Country Status (1)

Country Link
CN (1) CN106355273A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876038A (zh) * 2018-06-19 2018-11-23 中国原子能科学研究院 大数据、人工智能、超算协同的材料性能预测方法
CN111652320A (zh) * 2020-06-10 2020-09-11 创新奇智(上海)科技有限公司 一种样本分类方法、装置、电子设备及存储介质
CN112906991A (zh) * 2021-04-07 2021-06-04 中国科学院计算机网络信息中心 一种预测rafm钢辐照硬化行为的方法及装置
CN113705663A (zh) * 2021-08-26 2021-11-26 核工业西南物理研究院 一种基于神经网络的热核聚变比压极限的快速预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728431A (zh) * 2014-01-09 2014-04-16 重庆科技学院 基于极限学习机的工业污水cod在线软测量方法
CN104200282A (zh) * 2014-08-26 2014-12-10 南京信息工程大学 一种设施农业环境因子快速预测方法
CN105205491A (zh) * 2015-08-19 2015-12-30 西安电子科技大学 基于极限学习机的极化sar图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728431A (zh) * 2014-01-09 2014-04-16 重庆科技学院 基于极限学习机的工业污水cod在线软测量方法
CN104200282A (zh) * 2014-08-26 2014-12-10 南京信息工程大学 一种设施农业环境因子快速预测方法
CN105205491A (zh) * 2015-08-19 2015-12-30 西安电子科技大学 基于极限学习机的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈龙凤: "基于极限学习机的聚变堆结构材料力学性能预测方法及其应用研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876038A (zh) * 2018-06-19 2018-11-23 中国原子能科学研究院 大数据、人工智能、超算协同的材料性能预测方法
CN108876038B (zh) * 2018-06-19 2021-07-16 中国原子能科学研究院 大数据、人工智能、超算协同的材料性能预测方法
CN111652320A (zh) * 2020-06-10 2020-09-11 创新奇智(上海)科技有限公司 一种样本分类方法、装置、电子设备及存储介质
CN111652320B (zh) * 2020-06-10 2022-08-09 创新奇智(上海)科技有限公司 一种样本分类方法、装置、电子设备及存储介质
CN112906991A (zh) * 2021-04-07 2021-06-04 中国科学院计算机网络信息中心 一种预测rafm钢辐照硬化行为的方法及装置
CN113705663A (zh) * 2021-08-26 2021-11-26 核工业西南物理研究院 一种基于神经网络的热核聚变比压极限的快速预测方法
CN113705663B (zh) * 2021-08-26 2023-07-21 核工业西南物理研究院 一种基于神经网络的热核聚变比压极限的快速预测方法

Similar Documents

Publication Publication Date Title
CN103745273B (zh) 一种半导体制造过程的多性能预测方法
CN104077632B (zh) 一种基于深度神经网络的风电场功率预测方法
CN103676881B (zh) 一种半导体生产线动态瓶颈分析方法
CN104636985B (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN106355273A (zh) 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法
CN103473598A (zh) 基于变长度粒子群优化算法的极限学习机
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN107609774B (zh) 一种基于思维进化算法优化小波神经网络的光伏功率预测方法
CN108280545A (zh) 一种基于k均值聚类神经网络的光伏功率预测方法
CN106447098A (zh) 一种光伏超短期功率预测方法及装置
CN104536881A (zh) 基于自然语言分析的众测错误报告优先级排序方法
CN105512808A (zh) 一种面向大数据的电力系统暂态稳定评估方法
CN105653450A (zh) 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法
CN102521656A (zh) 非平衡样本分类的集成迁移学习方法
CN106651023A (zh) 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法
CN111709244A (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN103970965A (zh) 燃气涡轮发动机加速寿命试验试车方法
CN104616078A (zh) 基于Spiking神经网络的光伏系统发电功率预测方法
CN104573282A (zh) 一种垂直轴风力机翼型的气动优化设计方法
CN106778846A (zh) 一种基于支持向量机的风电场风速预测方法
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN107025598A (zh) 一种基于极限学习机的个人信用风险评估方法
CN104638672A (zh) 一种考虑变量相关性的光伏穿透功率极限的确定方法
CN104820877A (zh) 基于云自适应pso-snn的光伏系统发电功率预测方法
CN105320987A (zh) 一种基于bp神经网络的卫星遥测数据智能判读方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170125

WD01 Invention patent application deemed withdrawn after publication